不再让模型从稀缺数据中隐式学习基础推理规则，而是直接注入显式、可解释的启发式推理先验，引导模型快速收敛、提升数据效率。：显式建模“left/right/top/bottom/top-left”等方位约束，直接缩小目标搜索范围。，从候选筛选、预测输出到训练损失全链路引导，这是区别于所有后处理/简单融合方法的本质创新。将显式空间与语义启发式先验，深度注入DETR候选筛选、预测融合、训练匹配三大核心阶段

DETR采用匈牙利一对一匹配，只有极少数查询能获得有效梯度更新，绝大多数查询处于“闲置”状态，基尼系数最高可达0.97，模型容量被严重浪费。，一举解决DETR查询失衡、监督稀疏的核心痛点，以极小计算开销实现1.5%~4.2%的稳定涨点，是即插即用、泛化性极强的DETR升级框架。一对一匹配仅为每个真实物体分配一个查询，监督信号不足，即便后续一对多方法，也采用固定正样本数，无法自适应筛选高质量监督样本

数据（109 种语言的 10 亿图像-文本对）上训练模型， 并与 CLIP 及单塔（1T-CLIP）模型进行对比。多模态模型（如 CLIP、ALIGN）在图像-语言理解上取得了重大突破。： CLIPPO 让模型通过“看”来理解语言， 用统一的视觉方式，打通了多模态与多语言的界限。得分超过 CLIP 与 1T-CLIP， 与 ViLT、METER 等专用多模态模型相当。CLIPPO 用一个视觉模型“

PTP 在相同上下文长度下将困惑度（Perplexity）从 10.28 降至 9.66，证明其可扩展至语言生成任务。这种联合训练方式让模型既“看清文字”，又能“读懂语言”。相比纯视觉自编码（如 PIXEL）或纯语言 MLM（如 BERT），PTP 在架构上更均衡。PTP 让语言模型学会“看文字、懂语义”， 是连接视觉与语言理解的关键一步，也让 Screenshot LM 真正具备语言智能。但问题

相比基于梯度的可解释方法（如 IGOS++、Grad-CAM）， EAGLE 显存占用减少约 70%~80%， 在 Qwen2.5-VL 7B 上运行仅需。这意味着即使模型答对了，我们也不知道它是“真懂”还是“瞎蒙”。给多模态大模型装上了“显微镜”， 让我们第一次能看清：每一个词，是看图得出的，还是靠想象写出来的。—— 不知道生成内容到底是“看图得出的”还是“语言模型自己编的”。： 找出“最少的一

这一层负责将语言嵌入（Language Embedding）与空间坐标信息结合，使其输出与传统 segmentation decoder（如 Mask2Former、SAM-style head）兼容。此外，LENS 在跨任务与跨领域（如 open-vocabulary segmentation）中依旧表现稳定，展现出卓越的。一种即插即用（Plug-and-Play）的分割模块，使冻结的多模态模型

很多问题不用看图像，纯文本模型靠常识就能答对——比如某基准中纯文本模型推理准确率达51.6%，甚至超过了多模态模型的45.2%，根本测不出真实视觉理解能力。RSHR-Bench填补了超高清遥感多模态模型评测的空白，用严格的设计和真实的场景，揭示了当前大模型的能力短板，为后续技术突破提供了可靠的“风向标”。：多数遥感基准用512×512或1024×1024的小图，与真实卫星/无人机拍摄的4K+超高清

即便融入3D感知特征、显式3D监督，模型也难以完成可靠的视角转换推理，无法像人类一样从邻近新视角理解场景结构。反向令牌扭曲以图像令牌为单元替代像素扭曲，让多模态大模型无需生成新图像，就能轻量、鲁棒地完成邻近视角的场景推理，全面优于传统方法。：在目标视角构建密集规则网格，反向映射至源图检索令牌，避免正向扭曲的稀疏空洞问题；：用ViT架构的图像令牌替代像素，令牌兼具细节与鲁棒性，可抵抗几何噪声；：推理

论文：https://arxiv.org/abs/2407.07520代码：https://github.com/IPIC-Lab/IRSAM点评这篇文章将SAM用于红外图像目标的识别。核心创新点是引入边缘和多尺度信息，但其实也是很常见的了。边缘的提取借鉴的Perona-Malik理论。摘要最近的“任意分割模型”（SAM）是自然图像分割领域的一项重大进步，具有强大的零样本性能，适用于各种下游图像分

Open3D-VQA基准首次构建了空中视角下的三维空间推理评测体系，既揭示了当前AI在距离测算、视角转换等任务中的短板，也为无人机导航、城市智能分析等领域的技术优化提供了关键支撑。模拟数据微调效果显著：仅用模拟场景数据微调后，LLaVA和Qwen2-VL在真实场景中的推理准确率分别提升6.5%和22.3%，验证了数据的泛化价值。多维任务设计：涵盖4种空间视角（如上帝视角、第一人称视角）和7类推理任